基于回归树集成学习方法的工业增长预测和分析

本文从众多变量中筛选出59个相关经济指标,分别考查疫情前后传统时间序列模型和几种回归树集成学习模型对中国工业增加值增速的预测效果,并结合Shapley additive explanations(SHAP)方法对相关预测变量的作用进行解释分析.研究发现,随着预测步长的增加和新冠疫情的暴发,传统时间序列模型的预测性能明显减弱,而集成学习模型的预测表现则相对较好,其中梯度提升树模型在较长预测步长中更加稳健和准确.基于SHAP方法的分析发现,作为预测变量的经济指标在不同时期的重要性有所不同,除生产、投资等指标外,金融类变量在高风险时期也具有一定的预测作用,需结合具体时间和预期目标来选择合适的经济指标进行工业增长预测.基于预测的视角可在一定程度上说明新冠疫情冲击可能不会改变工业增长未来走势的基本面.