というBOEのスタッフ論文が出ている(H/T Francis Diebold)。原題は「Machine learning at central banks」で、著者はChiranjit Chakraborty、Andreas Joseph。
以下はその要旨。
We introduce machine learning in the context of central banking and policy analyses. Our aim is to give an overview broad enough to allow the reader to place machine learning within the wider range of statistical modelling and computational analyses, and provide an idea of its scope and limitations. We review the underlying technical sources and the nascent literature applying machine learning to economic and policy problems. We present popular modelling approaches, such as artificial neural networks, tree-based models, support vector machines, recommender systems and different clustering techniques. Important concepts like the bias-variance trade-off, optimal model complexity, regularisation and cross-validation are discussed to enrich the econometrics toolbox in their own right. We present three case studies relevant to central bank policy, financial regulation and economic modelling more widely. First, we model the detection of alerts on the balance sheets of financial institutions in the context of banking supervision. Second, we perform a projection exercise for UK CPI inflation on a medium-term horizon of two years. Here, we introduce a simple training-testing framework for time series analyses. Third, we investigate the funding patterns of technology start-ups with the aim to detect potentially disruptive innovators in financial technology. Machine learning models generally outperform traditional modelling approaches in prediction tasks, while open research questions remain with regard to their causal inference properties.
(拙訳)
我々は、中央銀行の業務と政策分析という枠組みにおいて機械学習を紹介する。我々の目的は、統計モデル構築と計算解析というより広範な文脈の中で機械学習がどこに位置するかを読者が把握できるだけの幅広い概観を提供し、かつ、機械学習の適用範囲と限界がどのようなものかを掴んでもらうことにある。我々は、機械学習の経済や政策の問題に適用に関し、背景となる技術的な根拠や、初期の研究を概説する。我々は、人工ニューラルネットワーク、樹形モデル、サポートベクターマシン、推薦システム、および各種のクラスタリング技法といった一般的なモデル化の手法を提示する。また、バイアスとバリアンスのトレードオフ、最適なモデルの複雑性、正則化、および交差検証といった、それ自体が計量経済学的な道具箱を充実させる重要な概念を論じる。我々は、中央銀行の政策、金融規制、およびより幅広い経済モデル構築に関連する3つのケーススタディを提示する。第一に、銀行監督という枠組みにおいて、金融機関のバランスシートの警戒情報の検出をモデル化する。第二に、2年という中期の予測期間において英国のCPIインフレ率を予測してみる。ここで我々は、時系列分析のために単純な学習とテストの枠組みを導入する。第三に、金融技術における破壊的イノベーターとなり得る企業を見つけることを目的として、テック系スタートアップの資金調達パターンを調べる。機械学習は全般に従来型のモデル手法を上回る成績を見せたが、因果関係の推定の特性については依然として今後の研究課題である。