何宗武葉國俊牟萬馨林雅淇2022-04-082022-04-082021-12https://scholars.lib.ntu.edu.tw/handle/123456789/604052近年來國際間逐漸應用機器學習方法，進行總體經濟變數或其他金融指數、資產和 股市崩盤事件的預測。相較於理論驅動的計量模型，資料驅動的機器學習方法不僅有助 於減少預測誤差，亦能改善捕捉經濟成長率波動性的精確度。順應此國際趨勢，本文應 用機器學習方法來預測我國經濟成長率，目的在找出最具預測績效，能捕捉整體時間序 列趨勢、波峰與波谷的模型。我們發現在未添加其他解釋變數下進行單步預測時，機器 學習模型未必較佳；當進行多步動態遞迴預測時，機器學習模型可能具備優於傳統時間 序列模型的預測績效。而在添加其他解釋變數下進行多步預測時，機器學習模型的預測 能力則大幅優於傳統時間序列模型，其中最佳者為自動化機器學習模型 (autoML)。另 外，我們也把解釋變數及其落後期，以機器運算找出最佳組合。有趣的是，過多解釋變 數不一定能得到較佳的預測績效，也可能產生大而無當的成本。最後，受限於經濟成長 率為季資料，觀察值數量較少，對於號稱大數據的學習演算法而言，訓練和交叉驗證的 設計都受到極嚴重限制，學習不足使其預測優勢難以被確認。如何使機器學習模型也能 在低頻時間序列資料上有所發揮，應是未來可再努力的研究方向。zhmachine learningTaiwan’s economic growth rateeconometric forecastcross-validation[SDGs]SDG8journal article