Уровень безработицы является важным макроэкономическим показателем, который отслеживается государственными органами США с целью обеспечения надлежащего функционирования экономики в целом. Поскольку уровень безработицы является мерой безработицы в экономике, необходимо строить более совершенные модели прогнозирования безработицы. Эти модели также используются правительством для внесения изменений в политику с целью расширения возможностей трудоустройства и уменьшения финансовых трудностей безработных во время рецессии.
В этой статье, состоящей из нескольких частей, я расскажу об использовании классических методов временных рядов, таких как векторные авторегрессионные модели, и различных архитектур нейронных сетей, в частности, искусственных нейронных сетей с прямой связью и рекуррентных нейронных сетей, а также недавно доступной архитектуры преобразователя на основе модели временных рядов.
С помощью этих методов мы оцениваем улучшение прогнозирования уровней безработицы по сравнению с их эквивалентом одномерного временного ряда, а также с эталонной моделью, используемой Федеральной резервной системой. Эти многомерные методы учитывают исторические макроэкономические переменные, перечисленные ниже. Пояснения к ним следуют в последующих разделах.
Валовой продукт Dometic,
инфляция,
Ставка по федеральным фондам,
Коммерческая кредитная деятельность, и,
Денежная масса (ликвидность).
Далее мы сравниваем модели по прогнозам за кварталы года, используя среднюю абсолютную ошибку и стандартное отклонение. По этим показателям многомерная авторегрессионная модель превзошла все модели для более коротких горизонтов прогнозирования, в то время как одномерные нейронные сети показали лучшие результаты для более длинных горизонтов прогнозирования.
Какой уровень безработицы?
Уровень безработицы определяется Федеральной резервной системой следующим образом: «Уровень безработицы представляет собой количество безработных в процентах от рабочей силы.
Бюро трудовой статистики (BLS) публикует эти данные каждый месяц.
Почему важно точно прогнозировать уровень безработицы?
Уровень безработицы не только дает меру безработицы, но также является индикатором экономического роста. Это запаздывающий индикатор, и поэтому он используется для измерения влияния рецессии, независимо от того, начинается ли она или находится в стадии спада. Он также обеспечивает подтверждение состояния экономики при оценке в сочетании с другими макроэкономическими переменными. Когда уровень безработицы увеличивается, как это было во время последнего финансового кризиса в 2008 году, с уровнем безработицы от 7 до 8%, который достиг пика в 10%, правительство вмешивается, стимулируя экономику посредством реализации множества мер политики, включая добавление пособий по безработице. , добавляя ликвидности в экономику - «количественное смягчение», снижение процентных ставок и снижение налоговых ставок, чтобы обеспечить доступ к капиталу для домашних хозяйств и предприятий, а также введение других программ государственных расходов для увеличения возможностей трудоустройства.
Ключевые вопросы, на которые пытается ответить это моделирование и анализ:
1. Улучшает ли включение многомерных данных производительность модели по сравнению с одномерными моделями?
2. Какие многомерные модели улучшают производительность модели?
3. Как эти многомерные модели соотносятся с эталонным консенсус-прогнозом из Обзора профессиональных прогнозистов (SPF) Федерального резервного банка в Филадельфии.
В этой статье обсуждается расширение исследования, проведенного Федеральной резервной системой в Канзас-Сити (Cook & Hall, 2017), в частности, моделирование уровня безработицы как проблемы одномерного временного ряда с использованием архитектур глубокого обучения.
Прогнозирование уровня безработицы в США с помощью одномерных временных рядов неточно отражает асимметрию, возникающую в результате контрциклического движения уровня безработицы вверх во время экономического спада и вниз во время подъема.
Уровень безработицы имеет неотъемлемую одновременную зависимость от многих макроэкономических факторов. Эти факторы рассматриваются как множественные признаки или множественные временные ряды в дополнение к задержке во времени (авторегрессия) зависимой переменной для прогнозирования уровня безработицы. Исследователи ФРС отметили, что ожидается, что добавление большего количества данных улучшит производительность, чем использование одномерной модели.
Подход к моделированию:
Из-за временных отношений в данных методология CRISP-DM, которая является стандартной структурой интеллектуального анализа данных, здесь не работает.
Этот анализ выполняется с использованием стандартизированного подхода, используемого для данных временных рядов (Hyndman & Athanasopoulos, 2021). Этот исходный метод был расширен за счет добавления шага обработки данных в качестве явного шага для подготовки данных к анализу и моделированию. Он состоит из шести шагов:
1. Определение проблемы
2. Сбор данных
3. Подготовка данных
4. Предварительный (исследовательский) анализ
5. Выбор и примерка модели
6. Оценка модели
Каждый шаг подробно описан ниже:
- Определение проблемы:
Как уже говорилось, основная цель этого анализа — узнать, может ли добавление соответствующих переменных повысить точность прогнозирования уровня безработицы среди гражданского населения США. Эти данные представляют собой временной ряд. Определение проблемы обычно считается самой сложной частью процесса из-за субъективности характера определяемой проблемы. Важно знать, кто будет использовать прогноз и его предполагаемое использование. В этом анализе прогнозы генерируются с целью получения ответов на важные вопросы, указанные в трех вопросах, описанных в заголовке ключевого вопроса выше.
2. Сбор информации:
Это включало сбор исторических данных с целью анализа и моделирования. Кроме того, на этом этапе была применена вспомогательная информация и база знаний для интерпретации информации, а также для понимания анализа. В качестве источника данных для этого анализа используются публикации Федеральной резервной системы. Экономическая база данных Федеральной резервной системы (FRED, 2021–2022) является источником, используемым для данных о безработице, а также для получения других данных для этого анализа. В таблице 1 показаны данные временных рядов, используемые для многомерного анализа.
Все наборы данных составляются ежемесячно и не корректируются, за исключением ВВП, который корректируется с учетом сезонных колебаний, а также уровня безработицы, целевой переменной, которая также корректируется с учетом сезонных колебаний. Ниже приводится краткое описание каждой из переменных и того, как они связаны с безработицей.
а. Уровень безработицы среди гражданского населения (UNRATE): это целевая переменная. Уровень безработицы представляет собой количество безработных в процентах от рабочей силы. Сюда входят лица от 16 лет и старше в 50 штатах США. Он не включает действующий персонал. Это переменная, используемая для прогнозирования в этом анализе.
б. Ставка по федеральным фондам (FEDFUNDS). Ставка по федеральным фондам — это процентная ставка, по которой депозитные учреждения торгуют друг с другом федеральными фондами (остатками на счетах в Федеральных резервных банках) на ночь. Когда депозитное учреждение имеет избыточные остатки на своем резервном счете, оно ссужает другие банки, нуждающиеся в более крупных остатках. Проще говоря, банк с избыточной наличностью, которую часто называют ликвидностью, предоставит ссуду другому банку, которому необходимо быстро увеличить ликвидность.
Ставка по федеральным фондам является центральной процентной ставкой на финансовом рынке США. Это влияет на другие процентные ставки, такие как основная ставка, то есть ставка, по которой банки взимают со своих клиентов более высокие кредитные рейтинги. Кроме того, ставка по федеральным фондам косвенно влияет на более долгосрочные процентные ставки, такие как ипотечные кредиты, кредиты и сбережения, которые, по мнению Совета управляющих Федеральной резервной системы, очень важны для благосостояния и доверия потребителей. (ФРЕД, 2021–2022 гг.)
в. Денежная масса (M2NS). Это одно из измерений (из трех — M1, M2, M3) денежной массы США, также известное как денежные агрегаты. M1 включает деньги, находящиеся в обращении в данный момент времени, включая чековые депозиты в банках, тогда как M2 включает M1 плюс сберегательные депозиты (менее 100 000 долларов) и взаимные фонды денежного рынка. M3 включает M2 плюс крупные срочные (срочные) депозиты. Причиной выбора M2 является то, что это наиболее часто наблюдаемый индикатор денежной массы и будущей инфляции. Чем меньше денежная масса, тем меньше ликвидность в системе. Оптимальный уровень ликвидности важен для доступа к капиталу для предприятий, чтобы продолжать и расширять свою деятельность, что еще больше обеспечивает контроль уровня безработицы.
д. Индекс цен производителей (PPIACO). Этот показатель предоставляет информацию об индексе цен, аналогичном ИПЦ, который обычно используется для индекса потребительских цен (более известный как инфляция). PPIACO используется в качестве опережающего индикатора для прогнозирования роста потребительских цен, поскольку он следует за ростом цен производителей. Когда PPI увеличивается, стоимость сырья увеличивается и, следовательно, стоимость ведения бизнеса увеличивается. Когда это повышение цен не передается конечному потребителю или незначительно передается, работодатели несут основную тяжесть ценового давления, подвергая риску занятость рабочей силы.
е. Инфляция (CPALTT01USM657N): представляет собой ИПЦ (индекс потребительских цен), описанный в разделе d выше. При увеличении ИПЦ спрос на определенный вид товаров, услуг сокращается. Устойчивая инфляция без вмешательства со стороны центрального банка и ФРС может еще больше повредить продажам бизнеса и, следовательно, марже, увеличивая риск безработицы, поскольку инфляция в сочетании с замедлением экономического роста продолжается в долгосрочной перспективе.
ф. Рост ВВП (BBKMGDP). Валовой внутренний продукт (ВВП) — это показатель экономической активности страны. Он измеряется как общая рыночная стоимость товаров и услуг, произведенных экономикой за определенный период. ВВП публикуется только ежеквартально. Здесь используется альтернативный показатель ВВП, называемый месячным ВВП Брейва-Баттерса-Келли. Этот показатель публикуется ФРС в виде ежемесячных данных временного ряда. Все данные, используемые в этом анализе, являются ежемесячными.
г. Деятельность по кредитованию коммерческого и промышленного бизнеса (BUSLOANSNSA): этот показатель обеспечивает коммерческое кредитование и является показателем использования капитала предприятиями. Высокий спрос на кредит свидетельствует о спросе на рабочую силу и, следовательно, о более низком уровне безработицы.
час Бизнес-кредитование коммерческой недвижимости (REALLNNSA). Этот показатель аналогичен коммерческому кредитованию, за исключением того, что он специально предназначен для коммерческой недвижимости, которая включает физические объекты, используемые в коммерческих целях. Ожидается, что в растущей экономике с появлением новых офисов, объектов и фабрик количество рабочих мест будет увеличиваться, что приведет к снижению уровня безработицы. И g, и h являются опережающими индикаторами уровня безработицы.
Последние две переменные, описанные выше для бизнес-кредитов, активно не использовались в литературе по макроэкономическому прогнозированию. Однако, основываясь на экономических теориях, мы понимаем, что доступ к капиталу через кредиты помогает компаниям планировать рост, который требует найма рабочей силы среди других инвестиций, и, следовательно, более высокая кредитная активность в условиях роста ВВП, ожидается, что уровень занятости будет быть выше. Следовательно, уровень безработицы будет ниже. После проведения разведочного анализа данных последние две переменные впоследствии были исключены из моделирования.
Во второй части этой серии мы продолжим статью, начиная с подготовки данных, необходимых для этого анализа и моделирования.
Если эта статья была полезна, пожалуйста, дайте мне знать. Мне очень поможет сосредоточить свои усилия на написании вещей, которые важны для вас.
PS. Есть пять причин, по которым вам стоит подписаться на мои электронные письма: www.vijayreddiar.com/email
До скорого.
Использованная литература:
Кук, Т., и Холл, А.С. (2017). Прогнозирование макроэкономических показателей с помощью глубоких нейронных сетей. Получено с сайта dx.doi.org: https://dx.doi.org/10.18651/RWP2017-11
ФРЕД. (2021–2022). Экономические исследования ФРС. Получено из экономических данных ФРС: https://fred.stlouisfed.org/
Гайндман, Р., и Атанасопулос, Г. (2021). https://otexts.com/fpp3/. OText.
Карпаты, А. (2015). Получено с http://karpathy.github.io/2015/05/21/rnn-efficientness/
Катрис, К. (2019). Прогнозирование уровня безработицы с помощью временных рядов и методов машинного обучения. Вычислительная экономика, 682.
Ниже, Эрик. (2021). Введение в основы векторных авторегрессионных моделей. Получено с сайта Aptech: https://www.aptech.com/blog/introduction-to-the-fundamentals-of-vector-autoregressive-models/
Монтгомери, А., и Зарновиц, В. (1998). Прогнозирование уровня безработицы в США. Журнал Американской статистической ассоциации, 478.
SPF. (2022). Опрос профессиональных прогнозистов. Получено из Федерального резервного банка Филадельфии: https://www.philadelphiafed.org/surveys-and-data/real-time-data-research/survey-of-professional-forecasters.
