修补水晶球：用机器学习增强通胀预测

摘要

本文研究了利用机器学习模型预测日本短期核心通货膨胀的效果。由于疫情后供应链中断和经济不确定性，预测通货膨胀成为中央银行的一大挑战。本文应用了四种机器学习模型（LASSO、弹性网络、随机森林和XGBoost）和两种基准模型（随机游走模型和自回归模型）对日本核心通货膨胀进行预测，并与专业预测者的误差进行比较。

研究发现，LASSO模型在预测性能上显著优于其他模型和基准模型。对于2023年1个月、3个月和6个月前的通胀预测，LASSO模型的RMSE分别约为0.1、0.2和0.3个百分点。LASSO模型的预测误差也小于2022-23年间专业预报员的误差。此外，LASSO模型具有可解释性，突出了五个重要预测变量：家庭通货膨胀预期、入境旅游业、汇率、产出缺口和滞后核心通胀。

研究结果表明，机器学习模型在预测经济变量方面具有巨大潜力，尤其是在疫情后经济环境发生结构性变化的情况下。LASSO模型在预测日本短期核心通货膨胀方面表现出色，并揭示了通货膨胀的主要驱动因素。未来可以进一步研究不同机器学习模型在其他发达经济体中通货膨胀预测的表现。