机器学习与传统计量模型在预测精度上的对比分析.docxVIP

机器学习与传统计量模型在预测精度上的对比分析

一、引言

预测是科学研究、政策制定、商业决策中的核心环节，从宏观经济走势预判、金融风险预警，到企业销售预估、公共卫生事件推演，预测结果的精度直接决定了决策的质量。从二十世纪初计量经济学诞生以来，以线性回归、时间序列模型、面板数据模型为代表的传统计量方法，长期是预测领域的主流工具，这类方法以经济理论或社会运行规律为基础，通过显性的函数设定刻画变量关系，在数十年的应用中积累了大量成熟的经验（汉密尔顿，1994）。进入二十一世纪第二个十年后，随着算力提升和大数据资源的普及，以决策树集成、深度学习、支持向量机为代表的机器学习方法快速渗透到各个预测场景，这类方法不依赖预先的理论设定，直接以预测误差最小化为目标挖掘数据中的隐含模式，在图像识别、自然语言处理等领域取得了远超传统方法的精度表现，也让学界和业界开始重新审视不同预测方法的适用边界（瓦里安，2014）。

很长一段时间里，关于两类模型预测精度的讨论存在两个极端倾向：一种观点认为机器学习是处理高维大数据的“万能工具”，传统计量模型因为形式简单必然被淘汰；另一种观点则认为机器学习是“黑箱”，容易拟合虚假关系，预测精度不稳定，只有传统计量模型的结果才可靠。实际上，两类模型的预测精度从来不是一个固定的绝对值，而是高度依赖于数据特征、建模目标、验证设计的相对结果，脱离具体场景简单判定孰优孰劣，既不符合实