10 juli 2024

Meerwaarde machine learning bij macro-economische voorspellingen

Beleidsmakers gebruiken economische prognoses bij het nemen van beslissingen. Nauwkeurige voorspellingen zijn hiervoor essentieel, omdat betere voorspellingen tot betere keuzes leiden. De afgelopen jaren wordt machine learning steeds vaker ingezet bij het doen van deze voorspellingen. In dit onderzoek testen we op een nieuw samengestelde macro-economische dataset, de NL-MD, de toegevoegde waarde van vier machine learning-eigenschappen (big data, niet-lineariteiten, cross-validation en shrinkage) voor het voorspellen van verschillende macro-economische variabelen.

In recent onderzoek is voor de Verenigde Staten onderzocht welke eigenschappen van machine learning-modellen de voorspelkracht verbeteren ten opzichte van standaard econometrische modellen. Deze resultaten zijn echter niet direct toepasbaar op de Nederlandse situatie. Voor het onderzoeken van deze situatie is data van het CBS, de ECB en Yahoo Finance samengevoegd in de NL-MD. We vinden dat de resultaten voor de verschillende machine learning-eigenschappen aanzienlijk verschillen per voorspelde variabele. Dit impliceert dat een aanpak die voordelig is bij het voorspellen van de ene variabele, niet noodzakelijk voordelig is bij een andere variabele.

De inzichten en aanbevelingen beschreven in deze studie kunnen Nederlandse beleidsmakers en ramers helpen bij het gebruiken van machine learning-methoden voor het doen van macro-economische voorspellingen. Het is hierbij wel belangrijk om te realiseren dat machine learning-modellen nog in ontwikkeling zijn. Resultaten die gevonden zijn op deze macro-economische dataset, zijn niet per definitie letterlijk over te zetten naar andere datasets. Het verkennen van de mogelijkheden van verschillende modellen blijft nodig bij het gebruik van machine learning.