پرونده شواهد: دقت داده‌های جایگزین با فرکانس بالا در پیش‌بینی لحظه‌ای اقتصاد کلان

پیش‌بینی سنتی اقتصاد کلان بر یک تقویم خشک از شاخص‌های تاخیری متکی است. یک سازمان آمار ملی منتظر می‌ماند تا یک سه‌ماهه به پایان برسد، طی چند هفته از هزاران کسب‌وکار نظرسنجی می‌کند و برآورد اولیه‌ای از تولید ناخالص داخلی منتشر می‌کند که معمولاً ماه‌ها بعد مورد بازبینی قرار می‌گیرد. پیش‌بینی لحظه‌ای (Nowcasting) مفهوم پیش‌بینی آینده را کاملاً کنار می‌گذارد تا زمان حال را پیش‌بینی کند. مدل‌های پیش‌بینی لحظه‌ای با دریافت داده‌های جایگزین با فرکانس بالا - تراکنش‌های روزانه کارت اعتباری، رزرو رستوران‌ها و شاخص‌های تردد گوشی‌های هوشمند - تلاش می‌کنند خروجی اقتصاد را به‌صورت هفتگی یا حتی روزانه اندازه‌گیری کنند و نقطه کور ۳۰ تا ۴۵ روزه‌ای را که سیاست‌گذاران به‌طور سنتی با آن دست‌وپنجه نرم می‌کنند، از بین ببرند.[1][5]

موتور ریاضیاتی پشت پیش‌بینی لحظه‌ای سنتی، مدل عامل پویا (DFM) است. یک مدل عامل پویا فرض می‌کند که تعداد کمی از عوامل پنهان و غیرقابل‌مشاهده، حرکت هم‌زمان صدها متغیر اقتصاد کلان مانند تولید صنعتی، اشتغال و منحنی‌های بازده را هدایت می‌کنند. این مدل هر بار که یک نقطه داده جدید منتشر می‌شود، برآورد خود از این عوامل پنهان را به‌روزرسانی می‌کند. با این حال، مدل‌های عامل پویا از نظر تاریخی بر اساس داده‌های ماهانه ساخته شده بودند. ادغام داده‌های جایگزین روزانه و بدون ساختار، نیازمند گذار از اقتصادسنجی خطی به معماری‌های یادگیری ماشین، به‌ویژه شبکه‌های عصبی و جنگل‌های تصادفی است که می‌توانند ابعاد بسیار گسترده و نویز ردپای دیجیتال را مدیریت کنند.[4]

ادعای اصلی در مورد داده‌های با فرکانس بالا، دقت بی‌نظیر آن‌ها در طول شوک‌های ناگهانی اقتصادی است. در آغاز پاندمی سال ۲۰۲۰، مدل‌های عامل پویای سنتی به‌طرز فاجعه‌باری شکست خوردند؛ آن‌ها نسبت به فروپاشی اقتصادی نابینا بودند زیرا نظرسنجی‌های ماهانه هنوز جمع‌آوری نشده بود. یک ردیاب درنگ‌نگاشت متعلق به دفتر ملی پژوهش‌های اقتصادی (NBER) که ۲.۵ میلیون تراکنش روزانه کارت اعتباری و داده‌های حقوق و دستمزد را از تجمیع‌کنندگان خصوصی دریافت می‌کرد، دقیقاً همان هفته‌ای را که هزینه مصرف‌کنندگان سقوط کرد تشخیص داد و این فروپاشی را در لحظه در کدهای پستی و دهک‌های درآمدی مختلف ترسیم کرد.[2]

این قابلیت تشخیص شوک اکنون نهادینه شده است. ردیاب هفتگی سازمان توسعه و همکاری اقتصادی (OECD) یک شبکه عصبی را روی داده‌های جستجوی گوگل ترندز اعمال می‌کند تا رشد هفتگی تولید ناخالص داخلی را در ۴۶ کشور تخمین بزند. این الگوریتم عبارات جستجوی مرتبط با مصرف، بازارهای کار و مسکن را جدا کرده و شدت حجم جستجو را مستقیماً به خروجی اقتصاد نگاشت می‌کند. در طول دوره پرنوسان ۲۰۲۰-۲۰۲۱، گنجاندن این سیگنال‌های دیجیتال با فرکانس بالا، خطای مجذور میانگین مربعات (RMSE) پیش‌بینی‌های لحظه‌ای OECD را در مقایسه با مدل‌های خودهمبسته پایه، حدود ۱۵ درصد کاهش داد.[3]

با این حال، شواهد یک محدودیت قابل‌توجه را آشکار می‌کند: مدل‌های داده‌های جایگزین در دوره‌های رشد باثبات اقتصادی مکرراً دچار بیش‌برازش می‌شوند. زمانی که اقتصاد یک شوک ناگهانی را تجربه نمی‌کند، واریانس در کشیدن روزانه کارت‌های اعتباری یا رزرو رستوران‌ها عمدتاً ناشی از نویز است - رویدادهای آب‌وهوایی، تغییر ترجیحات مصرف‌کننده، یا تغییرات در سهم بازار ارائه‌دهنده داده - نه تغییرات بنیادین اقتصاد کلان. وارد کردن این نویز به یک مدل یادگیری ماشین بسیار انعطاف‌پذیر، اغلب دقت پیش‌بینی لحظه‌ای را کاهش می‌دهد.[4][5]

ارزیابی صندوق بین‌المللی پول (IMF) از مدل‌های یادگیری ماشین در برابر مدل‌های عامل پویای سنتی، این جریمه را کمّی کرد. صندوق بین‌المللی پول دریافت که اگرچه جنگل‌های تصادفی و شبکه‌های عصبی در طول بحران‌ها بهتر از مدل‌های خطی عمل می‌کنند، اما در شکست دادن یک مدل عامل پویای استاندارد در طول چرخه‌های تجاری عادی با مشکل مواجه می‌شوند. حجم عظیم داده‌های با فرکانس بالا همبستگی‌های کاذبی ایجاد می‌کند که الگوریتم‌ها آن‌ها را با سیگنال اشتباه می‌گیرند و منجر به برآوردهای پرنوسانی از تولید ناخالص داخلی می‌شوند که نیازمند هموارسازی دستی مداوم توسط اقتصادسنجان است.[4]

بانک مرکزی اروپا (ECB) نیز هنگام ادغام شاخص‌های با فرکانس بالا در پیش‌بینی‌های تورم و رشد خود با محدودیت‌های مشابهی مواجه شد. بانک مرکزی اروپا خاطرنشان کرد که داده‌های جایگزین به‌شدت مستعد شکست‌های ساختاری هستند. برای مثال، اگر یک مدل یادگیری ماشین روی داده‌های تردد از سال ۲۰۱۵ تا ۲۰۱۹ آموزش ببیند، رابطه خاصی را بین الگوهای رفت‌وآمد و خروجی اقتصاد یاد می‌گیرد. هنگامی که دورکاری در سال ۲۰۲۱ آن رابطه را برای همیشه تغییر داد، قدرت پیش‌بینی مدل فوراً افت کرد و نیازمند بازآموزی کامل وزن‌های الگوریتم شد.

چالش بنیادین دیگر، «عدم تطابق بازبینی» است. داده‌های جایگزین با فرکانس بالا معمولاً بازبینی نمی‌شوند؛ یک تراکنش کارت اعتباری یک بار ثبت می‌شود و ثابت می‌ماند. اما تولید ناخالص داخلی رسمی، متغیر هدف است و با در دسترس قرار گرفتن داده‌های جامع مالیاتی و سرشماری، طی چند سال چندین بار مورد بازبینی قرار می‌گیرد. آموزش یک مدل روی داده‌های روزانه ثابت برای پیش‌بینی یک متغیر هدف که سه سال بعد تغییر خواهد کرد، یک سوگیری پایدار را وارد تابع زیان الگوریتم می‌کند.[1][5]

برای کاهش این مشکل، نهادها در حال اتخاذ معماری‌های ترکیبی هستند. اقتصادسنجان به‌جای جایگزین کردن مدل عامل پویا با یک شبکه عصبی، از یادگیری ماشین برای پیش‌پردازش داده‌های با فرکانس بالا استفاده می‌کنند و یک «شاخص داده‌های جایگزین» واحد استخراج می‌کنند که سپس به‌عنوان تنها یکی از متغیرهای متعدد وارد مدل خطی سنتی می‌شود. این کار از غلبه نویز روزانه داده‌های تردد یا جستجو بر سیگنال‌های کُندتر و بسیار قابل‌اعتماد بازار اوراق قرضه یا نظرسنجی‌های تولیدی جلوگیری می‌کند.[4]

پیش‌بینی لحظه‌ای کارکنان فدرال رزرو نیویورک این تکامل محتاطانه را نشان می‌دهد. این مدل که به‌طور سنتی بر یک مدل عامل پویا با دریافت انتشارات استاندارد ماهانه متکی بود، در سال ۲۰۲۱ زمانی که نوسانات شدید پاندمی پارامترهای تاریخی آن را در هم شکست، موقتاً به حالت تعلیق درآمد. زمانی که این مدل بازسازی شد، تمرکز همچنان بر داده‌های قوی و قابل‌تفسیر باقی ماند تا یک چرخش کامل به سمت ردپای دیجیتال بدون ساختار؛ موضوعی که ترجیح بانک مرکزی را برای مدل‌هایی برجسته می‌کند که در آن‌ها علت دقیق تغییر پیش‌بینی می‌تواند برای عموم توضیح داده شود.[1]

ارزش واقعی داده‌های جایگزین با فرکانس بالا ممکن است در نهایت در سطح جزئیات آن‌ها نهفته باشد تا دقت کلان. در حالی که یک شبکه عصبی با خواندن داده‌های ماهواره‌ای و تراکنش‌های کارت اعتباری ممکن است نتواند یک مدل سنتی را در پیش‌بینی رقم ملی تولید ناخالص داخلی در طول یک سال باثبات شکست دهد، اما می‌تواند کاری را انجام دهد که مدل سنتی قادر به آن نیست: اندازه‌گیری دقیق تاثیر اقتصادی یک طوفان محلی بر بخش خرده‌فروشی یک شهرستان خاص در عرض ۴۸ ساعت پس از وقوع طوفان.[2][5]

ایستگاه بازرسی قابل‌تایید بعدی برای این مدل‌ها، یک رکود ساختاری و کُند است. مدل‌های با فرکانس بالا ثابت کردند که می‌توانند یک سقوط ناگهانی و لبه‌پرتگاهی را در سال ۲۰۲۰ تشخیص دهند، اما هنوز مشخص نیست که آیا ردپای دیجیتال روزانه می‌تواند پیش از نظرسنجی‌های ماهانه سنتی اشتغال، آغاز نامحسوس و فرسایشی یک انقباض اقتصادی خفیف را به‌دقت سیگنال دهد یا خیر.