Modeling and Predicting U.S. Recession Using Machine Learning Techniques

Abstract

การศึกษาวิจัยนี้มีวัตถุประสงค์เพื่อศึกษากระบวนการสร้างแบบจำลองโดยใช้ เกรเดียนต์บูทติ้ง (Gradient Boosting) รวมถึงทฤษฎีที่เกี่ยวข้อง และทดลองทดลองสร้างแบบจำลองตามงานวิจัย “Modeling and predicting U.S. recessions using machine learning techniques” โดย Spyridon D. Vrontos John Galakis และ Ioannis D. Vrontos เพื่อศึกษาความแตกต่างของแบบจำลองและสามารถนำไปประยุกต์ใช้กับงานอื่นๆได้อย่างเหมาะสม ซึ่งงานวิจัยดังกล่าวมีการนำ machine learning ทั้งหมด 18 แบบจำลองมาใช้เปรียบเทียบค่าทางสถิติ ทางผู้ศึกษาได้เอาแบบจำลอง Logistic Regression และ Gradient booting มาทำการศึกษาและสร้างแบบจำลองขึ้นมา โดยที่ Logistic Regression เป็นแบบจำลองมาตรฐาน ส่วน Gradient booting เป็นแบบจำลองที่เราสนใจจะศึกษา เนื่องจากมีการประยุกต์ใช้งานหลากหลายมาก แล้วนำทั้งสองมาเปรียบเทียบกันโดยใช้ค่าทางสถิติเพื่อพิจารณาว่าแบบจำลองใดดีกว่ากัน เริ่มจากใช้ตัวแปรทางเศรษฐกิจและการเงินทั้งหมด 56 ตัวแปรเป็นข้อมูลที่ใช้ทำแบบจำลอง Gradient booting ส่วน Logistic Regression ใช้เพียงตัวแปรเพียง 1 ตัวคือระยะระหว่างอัตราผลตอบแทนระยะสั้นกับระยะยาว กับตัวที่บ่งบอกว่าเป็นสภาวะถดถอยอีก 1 ตัวแปร โดยมีการทำกรอบเวลาคาดการณ์ล่วงหน้าเป็น 3 เดือน 6 เดือน และ 12 เดือน เพื่อดูประสิทธิภาพในแต่ละกรอบเวลา

                ผลการศึกษา Logistic Regression โดยใช้ในการคาดการณ์ล่วงหน้า 12 เดือน สามารถเป็นเกณมาตรฐานได้และสมเหตุสมผลตามงานวิจัยที่อ้างอิง และแบบจำลอง Gradient booting มีประสิทธิภาพดีกว่า Logistic Regression ทุกตัววัดประสิทธิภาพ ถึงแม้ว่าจะมีความแม่นยำที่ใกล้เคียงกัน เนื่องจากข้อมูลที่เป็นสภาวะปกติมีถึง 89%  และปัญหาเวลาในการประมวลผลค่อนข้างนานพอสมควร ส่วนกรอบเวลาคาดการล่วงหน้ายิ่งสั้นลงค่ายิ่งแย่ลง โดยที่แบบจำลอง Logistic Regression ที่ใช้ในการคาดการณ์ล่วงหน้า 3 เดือน ไม่สามารถคาดการณ์ได้เลย แต่ยังมีข้อสังเกตอยู่หนึ่งประการคือการคาดการณ์ความน่าจะเป็นที่เกิดสภาวะถดถอยของ Gradient booting มีค่าใกล้เคียง 0 กับ 1 เท่านั้นจึงไม่เหมาะสำหรับประยุกต์ใช้กับการหาแนวโน้มความน่าจะเป็นหรือการเคลื่อนที่ของความน่าจะเป็น