經(jīng)濟預(yù)測范式的轉(zhuǎn)變：大數(shù)據(jù)與計量經(jīng)濟學(xué)模型的拐點難題

經(jīng)濟預(yù)測大數(shù)據(jù) 計量經(jīng)濟學(xué)模型

蔡躍洲 | 2016-03-02 12:46

【數(shù)據(jù)猿導(dǎo)讀】本文主要講述了各國頂尖研究機構(gòu)及高等學(xué)府如何將傳統(tǒng)的計量經(jīng)濟方法與機器學(xué)習(xí)、統(tǒng)計學(xué)習(xí)等相互結(jié)合處理大數(shù)據(jù)，提高預(yù)測精度、降低數(shù)據(jù)滯后性，這揭示了未來經(jīng)濟預(yù)測的趨勢

經(jīng)濟預(yù)測范式的轉(zhuǎn)變：大數(shù)據(jù)與計量經(jīng)濟學(xué)模型的拐點難題

七年前，谷歌首席經(jīng)濟學(xué)家哈爾·范里安首次將谷歌趨勢數(shù)據(jù)引入經(jīng)濟預(yù)測中，使得計量經(jīng)濟學(xué)模型中一直存在的拐點難題迎刃而解。這預(yù)示著大數(shù)據(jù)時代下，經(jīng)濟預(yù)測的范式正悄然發(fā)生深刻的轉(zhuǎn)變。如今，除了搜索引擎的趨勢數(shù)據(jù)、媒體文本數(shù)據(jù)、在線銷售及支付數(shù)據(jù)、衛(wèi)星遙感數(shù)據(jù)等都開始被廣泛應(yīng)用于對金融市場變化的預(yù)測中，撼動著經(jīng)濟統(tǒng)計作為數(shù)據(jù)指標(biāo)的唯一來源的歷史地位。

經(jīng)濟預(yù)測是經(jīng)濟學(xué)最重要的職能之一，也是政府、企業(yè)、個人等進行決策的參考和依據(jù)?；谟嬃拷?jīng)濟方法實施的經(jīng)濟預(yù)測，特別是宏觀經(jīng)濟預(yù)測，離不開經(jīng)濟統(tǒng)計的支撐。經(jīng)濟統(tǒng)計是經(jīng)濟預(yù)測得以實施的前提，為經(jīng)濟預(yù)測提供了最基礎(chǔ)的數(shù)據(jù)指標(biāo)。

大數(shù)據(jù)對經(jīng)濟預(yù)測的影響涉及數(shù)據(jù)來源、預(yù)測方法、預(yù)測結(jié)果等幾乎每一個環(huán)節(jié)，在某種程度上改變了常規(guī)經(jīng)濟預(yù)測所遵循的基本范式：

首先，經(jīng)濟預(yù)測的數(shù)據(jù)基礎(chǔ)發(fā)生很大變化。經(jīng)濟統(tǒng)計不再是數(shù)據(jù)指標(biāo)的唯一來源，基于互聯(lián)網(wǎng)技術(shù)產(chǎn)生的搜索數(shù)據(jù)、社交媒體數(shù)據(jù)、在線新聞、交易支付數(shù)據(jù)以及快遞服務(wù)數(shù)據(jù)等都可以用于經(jīng)濟預(yù)測。

其次，數(shù)據(jù)指標(biāo)的生成也不再完全依賴傳統(tǒng)的抽樣調(diào)查、經(jīng)濟普查。基于搜索數(shù)據(jù)、社交媒體數(shù)據(jù)等網(wǎng)絡(luò)數(shù)據(jù)資源可以實時生成不同的數(shù)據(jù)指標(biāo)。

再次，對經(jīng)濟預(yù)測所采用的方法、工具有了新的要求，通常是將傳統(tǒng)的計量經(jīng)濟方法與機器學(xué)習(xí)、統(tǒng)計學(xué)習(xí)等分析手段相互結(jié)合，以適應(yīng)大數(shù)據(jù)處理的需要。

最后，大數(shù)據(jù)有助于經(jīng)濟預(yù)測結(jié)果的改善。一方面，在既有的計量經(jīng)濟預(yù)測模型中引入大數(shù)據(jù)及相應(yīng)的處理方法，能夠較為顯著地減少誤差、提高預(yù)測精度。另一方面，預(yù)測的時效性進一步增強。在網(wǎng)絡(luò)在線數(shù)據(jù)的支撐下，數(shù)據(jù)指標(biāo)的滯后問題得以解決，近乎實時的即時預(yù)測已經(jīng)出現(xiàn)。

1、搜索數(shù)據(jù)的應(yīng)用提高預(yù)測精度

談及搜索數(shù)據(jù)在經(jīng)濟預(yù)測中的應(yīng)用，必然離不開對谷歌趨勢(Google Trends)數(shù)據(jù)的介紹。谷歌趨勢數(shù)據(jù)是針對某個地區(qū)不同時間特定關(guān)鍵詞查詢數(shù)量生成的查詢指數(shù)，其構(gòu)造過程大致如下：

(1)計算查詢份額(Query Share)，即某個地區(qū)某個時間段包含某個關(guān)鍵詞的查詢數(shù)量占所有查詢的比重;

(2)生成查詢指數(shù)(Query Index)，將一段時間內(nèi)查詢份額的最高值標(biāo)準(zhǔn)化為100，并將初始時點的查詢份額標(biāo)準(zhǔn)化為0。谷歌將搜索查詢分成30個一級大類，并進一步細分為250個二級類別，這樣便可很容易獲得數(shù)百個谷歌趨勢查詢指數(shù)，查詢指數(shù)數(shù)據(jù)最早可追溯到2004年1月1日。

谷歌趨勢數(shù)據(jù)最早是由著名經(jīng)濟學(xué)家哈爾·瓦里安(Hal Varian)引入到經(jīng)濟預(yù)測中的。自2008年以來，瓦里安教授與其合作者發(fā)布了一系列利用谷歌趨勢數(shù)據(jù)進行經(jīng)濟預(yù)測的研究成果，預(yù)測內(nèi)容涉及汽車及零部件銷售額、失業(yè)救濟申領(lǐng)人數(shù)、旅行目的地、消費者信心等。其基本思路是，在傳統(tǒng)的時間序列預(yù)測模型基礎(chǔ)上，加入谷歌趨勢生成的查詢指數(shù)，以提高預(yù)測精度。瓦里安教授的預(yù)測實踐表明，借助谷歌趨勢，能夠有助于即時預(yù)測精度的提高。相關(guān)事例還表明，在出現(xiàn)拐點時期，加入谷歌趨勢指數(shù)作為變量，也能取得較好的預(yù)測效果。這恰恰是以計量經(jīng)濟模型為基礎(chǔ)的常規(guī)經(jīng)濟預(yù)測一直未解決的難題。

近兩年來，越來越多的歐美機構(gòu)及學(xué)者將谷歌趨勢數(shù)據(jù)運用于不同類型經(jīng)濟活動的預(yù)測中。例如，德國勞工研究所的學(xué)者利用谷歌趨勢數(shù)據(jù)對住房貸款違約比例進行即時預(yù)測，發(fā)現(xiàn)效果明顯優(yōu)于基礎(chǔ)的自回歸模型。愛爾蘭中央銀行的學(xué)者利用谷歌趨勢的相關(guān)概率指標(biāo)，對其宏觀經(jīng)濟預(yù)測模型進行隨時調(diào)整，成功提高了即時預(yù)測精度。

除了谷歌趨勢數(shù)據(jù)外，其他搜索引擎如必應(yīng)、百度等，其搜索數(shù)據(jù)也被用于經(jīng)濟預(yù)測。百度公司推出了與谷歌趨勢類似的“百度指數(shù)”，相關(guān)數(shù)據(jù)指標(biāo)也被用于經(jīng)濟預(yù)測。2014年，中國科學(xué)院大學(xué)的幾位學(xué)者將“百度關(guān)鍵字指數(shù)”納入到他們開發(fā)的“中國股票市場預(yù)測模型”中，將預(yù)測平均誤差值從之前的3.8%降低到1.4%。

2、媒體數(shù)據(jù)的應(yīng)用增強預(yù)測時效性

大數(shù)據(jù)處理和分析技術(shù)的快速發(fā)展，使得來自社交網(wǎng)站、在線新聞等渠道的文本數(shù)據(jù)也能夠被有效整理和量化，并用于經(jīng)濟預(yù)測。

荷蘭統(tǒng)計局(Statistics Netherlands)的學(xué)者嘗試利用社交媒體數(shù)據(jù)對消費者信心指數(shù)進行預(yù)測。其大致思路是：

(1)收集所有推特(Twitter)、臉書(Facebook)、領(lǐng)英(LinkedIn)等社交媒體數(shù)據(jù)，分別構(gòu)造“基于社交媒體數(shù)據(jù)的消費者信心指數(shù)”;

(2)分析官方統(tǒng)計調(diào)查得到的“消費者信心指數(shù)”與社交媒體消費者信心指數(shù)之間的相關(guān)性;

(3)基于兩者之間的相關(guān)關(guān)系，以社交媒體“消費者信心指數(shù)”對官方統(tǒng)計“消費者信心指數(shù)”進行預(yù)測。

根據(jù)分析，以臉書數(shù)據(jù)構(gòu)造的指數(shù)與官方指數(shù)之間不僅高度相關(guān)且存在協(xié)整關(guān)系。以推特數(shù)據(jù)構(gòu)造的指數(shù)與官方指數(shù)同樣存在相關(guān)關(guān)系。與官方指數(shù)相比，社交媒體指數(shù)最大的優(yōu)勢在于及時性，能夠以兩周一次甚至一周一次的頻率構(gòu)造并發(fā)布。

比利時安特衛(wèi)普大學(xué)的學(xué)者通過文本挖掘(Text mining)技術(shù)對與宏觀經(jīng)濟復(fù)蘇相關(guān)的“經(jīng)濟政策不確定性指數(shù)”(Economic Policy Uncertainty Index，EPU)進行改造。文本挖掘的對象是六種來源的佛蘭芒語新聞報道。改造后的EPU可用于分析和預(yù)測宏觀經(jīng)濟復(fù)蘇情況。

除了宏觀經(jīng)濟關(guān)聯(lián)指數(shù)的構(gòu)造和分析外，媒體文本數(shù)據(jù)還被廣泛應(yīng)用于對金融市場的相關(guān)變化進行預(yù)測。倫敦大學(xué)學(xué)院的學(xué)者對路透新聞檔案、經(jīng)紀(jì)人報告、英格蘭銀行內(nèi)部市場評論等文本進行挖掘，聚焦于那些有可能推動金融市場行為變化的敘述和情緒。該學(xué)者發(fā)現(xiàn)，當(dāng)興奮情緒很高而焦慮情緒很少時，往往是金融危機發(fā)生的警示信號。法蘭克福大學(xué)的學(xué)者以臉書國民幸福指數(shù)(Facebook’s Gross National Happiness，GNH)為基礎(chǔ)構(gòu)造“投資信心指數(shù)”(Index of Investment Sentiment)。而GNH本身又是通過對臉書中的情感語匯進行文本分析而構(gòu)造出來的。研究發(fā)現(xiàn)，利用GNH能預(yù)測美國股票市場每天回報和交易量的變化情況;一個標(biāo)準(zhǔn)差的GNH指數(shù)增加大致能夠帶來次日股票指數(shù)11.23個點的上漲。

3、其他可挖掘在線數(shù)據(jù)十分豐富

除了搜索數(shù)據(jù)、網(wǎng)絡(luò)媒體數(shù)據(jù)外，在線銷售及支付數(shù)據(jù)、衛(wèi)星遙感數(shù)據(jù)、郵政快遞數(shù)據(jù)等也被應(yīng)用于經(jīng)濟預(yù)測中。

美國麻省理工學(xué)院的學(xué)者領(lǐng)導(dǎo)了一個名為“十億價格”(Billion Prices Project，BPP)的研究項目。該項目與網(wǎng)絡(luò)零售商合作，每天下載成千上萬種在線零售商品的實時價格，生成每天的價格指數(shù)，可以實現(xiàn)以每天一次的頻率發(fā)布價格變動和通貨膨脹數(shù)據(jù)。利用BPP在線價格指數(shù)，可以較為準(zhǔn)確地判斷出未來一定時期特別是2—3個月時間內(nèi)的通貨膨脹變化趨勢。最值得一提的是，BPP在線價格指數(shù)在預(yù)測通脹趨勢變化拐點方面特別有效。

加拿大麥吉爾大學(xué)的學(xué)者利用包括銀行卡在內(nèi)的電子支付大數(shù)據(jù)，通過多個模型的不同組合對加拿大GDP進行即時預(yù)測;并以此項工作為基礎(chǔ)構(gòu)建了一個全新的GDP月度數(shù)據(jù)庫，預(yù)測精度顯著提高。

萬國郵政聯(lián)盟(Universal Postal Union，UPU)的學(xué)者將國際郵政物流體系每天所產(chǎn)生的商品交換數(shù)據(jù)，與每日的國際匯率變動數(shù)據(jù)相結(jié)合，對國際間的電子商務(wù)套利行為進行預(yù)測分析。這一嘗試表明，利用國際郵政物流數(shù)據(jù)有助于提高預(yù)測能力。

在澳大利亞，其官方統(tǒng)計部門正在采取相關(guān)措施，以便將特定來源的大數(shù)據(jù)納入到常規(guī)官方統(tǒng)計體系中。在統(tǒng)計實踐中，澳大利亞統(tǒng)計局已經(jīng)著手構(gòu)建基于大數(shù)據(jù)的統(tǒng)計推斷框架。一個典型的例子就是，利用遙感數(shù)據(jù)對澳大利亞的農(nóng)業(yè)數(shù)據(jù)進行統(tǒng)計和預(yù)測。

4、經(jīng)濟預(yù)測中大數(shù)據(jù)應(yīng)用的挑戰(zhàn)

近年來各國機構(gòu)和學(xué)者的探索表明，利用各種不同來源的大數(shù)據(jù)能夠有效提高經(jīng)濟預(yù)測的精度，在某些領(lǐng)域甚至能夠進行拐點預(yù)測。不過，在經(jīng)濟預(yù)測實踐中如何更加有效地利用大數(shù)據(jù)仍然面臨諸多挑戰(zhàn)。

第一，大數(shù)據(jù)的可獲得性將直接限制大數(shù)據(jù)在經(jīng)濟預(yù)測中的推廣應(yīng)用。無論是政府部門數(shù)據(jù)還是私人公司數(shù)據(jù)，都不可能為經(jīng)濟預(yù)測者隨意使用;對于私人公司數(shù)據(jù)來說，通常需要通過簽訂合作協(xié)議并嚴格執(zhí)行保密條款才能獲取數(shù)據(jù);至于政府部門公共數(shù)據(jù)，大多存在開放限制，往往需要通過機構(gòu)內(nèi)部人員才能獲取數(shù)據(jù)。

第二，來自搜索查詢、社交媒體等不同渠道的非結(jié)構(gòu)化原始數(shù)據(jù)既雜亂無章，又存在非常復(fù)雜的內(nèi)在關(guān)聯(lián)，將其提煉并轉(zhuǎn)換為結(jié)構(gòu)化的有用信息需要有足夠的技巧，并且耗費大量人力、物力和財力。

第三，充裕的數(shù)據(jù)信息還會帶來過度識別問題。以谷歌趨勢數(shù)據(jù)為例，谷歌每天產(chǎn)生的數(shù)十億個查詢記錄，即便利用谷歌趨勢進行分類仍有數(shù)百個指數(shù);而每個指數(shù)即便從2004年1月開始，至今也最多不過一百多個序列。變量個數(shù)大于序列長度，必然導(dǎo)致過度識別問題。

第四，同任何傳統(tǒng)經(jīng)濟預(yù)測一樣，大數(shù)據(jù)的應(yīng)用也無法解決“盧卡斯批評”問題。雖然大數(shù)據(jù)提高了預(yù)測精度，但如果預(yù)測模型被用于決定采用何種干預(yù)政策，那么最終的實際結(jié)果可能不會如模型所預(yù)測，因為政策的變化會影響到后續(xù)行為，而變量之間的關(guān)系恰恰是由相應(yīng)數(shù)據(jù)所反映。

來源：中國社會科學(xué)報

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關(guān)內(nèi)容都會注明來源與作者；轉(zhuǎn)載我們原創(chuàng)內(nèi)容時，也請務(wù)必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會受到數(shù)據(jù)猿追責(zé)。